CN117456292B - 蓝宝石缺陷检测方法、装置、电子装置和存储介质 - Google Patents

蓝宝石缺陷检测方法、装置、电子装置和存储介质 Download PDF

Info

Publication number
CN117456292B
CN117456292B CN202311808965.9A CN202311808965A CN117456292B CN 117456292 B CN117456292 B CN 117456292B CN 202311808965 A CN202311808965 A CN 202311808965A CN 117456292 B CN117456292 B CN 117456292B
Authority
CN
China
Prior art keywords
defect
detected
sapphire
detection
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311808965.9A
Other languages
English (en)
Other versions
CN117456292A (zh
Inventor
傅林坚
刘华
汪崇智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Jingsheng Mechanical and Electrical Co Ltd
Zhejiang Qiushi Semiconductor Equipment Co Ltd
Original Assignee
Zhejiang Jingsheng Mechanical and Electrical Co Ltd
Zhejiang Qiushi Semiconductor Equipment Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Jingsheng Mechanical and Electrical Co Ltd, Zhejiang Qiushi Semiconductor Equipment Co Ltd filed Critical Zhejiang Jingsheng Mechanical and Electrical Co Ltd
Priority to CN202311808965.9A priority Critical patent/CN117456292B/zh
Publication of CN117456292A publication Critical patent/CN117456292A/zh
Application granted granted Critical
Publication of CN117456292B publication Critical patent/CN117456292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/87—Investigating jewels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请涉及一种蓝宝石缺陷检测方法、装置、电子装置和存储介质，其中，该蓝宝石缺陷检测方法包括：在待测蓝宝石的待测图像序列中，检测到待测蓝宝石在放肩阶段存在缺陷的情况下，确定检测到的目标缺陷类型；根据目标缺陷类型，以及不同的缺陷类型与误检排除策略预先建立的对应关系，从预设的误检排除策略中确定与目标缺陷类型对应的误检排除策略，作为目标策略；根据目标策略，对待测图像序列进行缺陷累积检测，并根据缺陷累积检测的结果验证检测到的待测蓝宝石在放肩阶段的缺陷。其能够针对识别出的缺陷类别，采取对应的误检排除策略进行误检排除，从而降低蓝宝石不同类型的缺陷的误检率，并提高蓝宝石放肩阶段的缺陷检测精度。

Description

蓝宝石缺陷检测方法、装置、电子装置和存储介质
技术领域
本申请涉及蓝宝石缺陷检测技术领域，特别是涉及蓝宝石缺陷检测方法、装置、电子装置和存储介质。
背景技术
蓝宝石是除红宝石之外的刚玉宝石的通称，主要成分是氧化铝。蓝宝石是一种具有多种优异性能的材料，因此广泛应用于LED和消费电子领域、仪器仪表领域以及军工领域等。
目前，在蓝宝石的人工制备过程中，由于蓝宝石长晶放肩过程的高温条件，炉内整片区域的光照较强，工艺人员需要使用电焊玻璃和镀金玻璃从视窗观察炉内长晶情况。其中视窗一般处于关闭状态，且为保障晶体生长条件无法长时间开启。因此，人工制备过程中蓝宝石的长晶情况存在观察难度高的问题。因此，目前通常采用视觉检测技术对蓝宝石在长晶放肩阶段的缺陷进行识别。
其中，通过将采集的放肩阶段的蓝宝石的原始图像输入图像生成模型，得到重构图像，基于重构图像与原始图像的对比结果确定蓝宝石是否存在放肩阶段缺陷。该种方式仅仅是通过机器视觉的方式检测出蓝宝石在放肩阶段是否存在缺陷，也即，检测结果仅仅为有缺陷和无缺陷两种，且检测精度依赖于训练集的数据量。因而检测效果较差，存在检测精度低，误检率高的问题。
针对相关技术中存在检测精度低、误检率高的问题，目前还没有提出有效的解决方案。
发明内容
在本实施例中提供了一种蓝宝石缺陷检测方法、装置、电子装置和存储介质，以解决相关技术中检测精度低、误检率高的问题。
第一个方面，在本实施例中提供了一种蓝宝石缺陷检测方法，包括：
在待测蓝宝石的待测图像序列中，检测到所述待测蓝宝石在放肩阶段存在缺陷的情况下，确定检测到的目标缺陷类型；
根据所述目标缺陷类型，以及不同的缺陷类型与误检排除策略预先建立的对应关系，从预设的误检排除策略中确定与所述目标缺陷类型对应的误检排除策略，作为目标策略；
根据所述目标策略，对所述待测图像序列进行缺陷累积检测，并根据所述缺陷累积检测的结果验证检测到的所述待测蓝宝石在放肩阶段的缺陷。
在其中的一些实施例中，所述对应关系包括：
在所述缺陷类型为异物缺陷的情况下，所述误检排除策略为预设周期内的缺陷检出次数统计；
在所述缺陷类型为纹理缺陷的情况下，所述误检排除策略为预设连续帧数图像的缺陷位置统计。
在其中的一些实施例中，所述根据所述目标策略，对所述待测图像序列进行缺陷累积检测，并根据所述缺陷累积检测的结果验证检测到的所述待测蓝宝石在放肩阶段的缺陷，包括：
在所述目标策略为预设周期内的缺陷检出次数统计时，获取所述待测图像序列在所述预设周期内的第一数量的待测图像；
确定所述第一数量的待测图像中，存在所述异物缺陷的待测图像的数量，作为第二数量；
在所述第二数量与所述第一数量的比值高于预设比例阈值时，确定所述待测蓝宝石在所述放肩阶段存在所述异物缺陷。
在其中的一些实施例中，所述根据所述目标策略，对所述待测图像序列进行缺陷累积检测，并根据所述缺陷累积检测的结果验证检测到的所述待测蓝宝石在放肩阶段的缺陷，包括：
在所述目标策略为预设连续帧数图像的缺陷位置统计时，判断所述待测图像序列中，是否存在所述连续帧数的待测图像中的缺陷位置变化小于预设距离阈值；若是，确定所述待测蓝宝石在所述放肩阶段存在所述纹理缺陷。
在其中的一些实施例中，所述异物缺陷至少包括：氧化物缺陷或浮晶缺陷；
所述纹理缺陷至少包括：圆弧纹理缺陷。
在其中的一些实施例中，在待测蓝宝石的待测图像序列中，检测到所述待测蓝宝石在放肩阶段存在缺陷的情况下，确定检测到的目标缺陷类型之前，所述方法还包括：
获取蓝宝石样本在放肩阶段的缺陷图像，构建训练数据集；
基于所述训练数据集对预设的深度学习网络进行训练，得到训练完备的缺陷检测模型；
基于所述训练完备的缺陷检测模型，对所述待测图像序列进行缺陷检测，确定所述待测蓝宝石在所述放肩阶段是否存在缺陷。
在其中的一些实施例中，所述获取蓝宝石样本在放肩阶段的缺陷图像，构建训练数据集，包括：
获取蓝宝石样本在所述放肩阶段的样本图像；
基于模板匹配，对所述样本图像进行预处理，得到预处理图像；
从所述预处理图像中筛选在所述放肩阶段存在缺陷的图像，作为所述缺陷图像，并基于所述缺陷图像，构建训练数据集。
第二个方面，在本实施例中提供了一种蓝宝石缺陷检测装置，包括：检测模块、策略确定模块以及验证模块；其中：
所述检测模块，用于在待测蓝宝石的待测图像序列中，检测到所述待测蓝宝石在放肩阶段存在缺陷的情况下，确定检测到的目标缺陷类型；
所述策略确定模块，用于根据所述目标缺陷类型，以及不同的缺陷类型与误检排除策略预先建立的对应关系，从预设的误检排除策略中确定与所述目标缺陷类型对应的误检排除策略，作为目标策略；
所述验证模块，用于根据所述目标策略，对所述待测图像序列进行缺陷累积检测，并根据所述缺陷累积检测的结果验证检测到的所述待测蓝宝石在放肩阶段的缺陷。
第三个方面，在本实施例中提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的蓝宝石缺陷检测方法。
第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的蓝宝石缺陷检测方法。
与相关技术相比，在本实施例提供了蓝宝石缺陷检测方法、装置、电子装置和存储介质。其中的蓝宝石缺陷检测方法，首先在待测蓝宝石的待测图像序列中，检测到待测蓝宝石在放肩阶段存在缺陷的情况下，确定检测到的目标缺陷类型；之后根据目标缺陷类型，以及不同的缺陷类型与误检排除策略预先建立的对应关系，从预设的误检排除策略中确定与目标缺陷类型对应的误检排除策略，作为目标策略；最后根据目标策略，对待测图像序列进行缺陷累积检测，并根据缺陷累积检测的结果验证检测到的待测蓝宝石在放肩阶段的缺陷。其能够针对识别出的缺陷类别，采取对应的误检排除策略进行误检排除，从而降低蓝宝石不同类型的缺陷的误检率，并提高蓝宝石放肩阶段的缺陷检测精度。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本实施例的蓝宝石缺陷检测方法的终端的硬件结构框图；
图2是本实施例的蓝宝石缺陷检测方法的流程图；
图3是本实施例的又一种蓝宝石缺陷检测方法的流程图；
图4是本实施例的圆弧纹理缺陷的验证方法的流程图；
图5是本实施例的蓝宝石缺陷检测装置的结构框图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。
除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块（单元）的过程、方法和系统、产品或设备并未限定于列出的步骤或模块（单元），而可包括未列出的步骤或模块（单元），或者可包括这些过程、方法、产品或设备固有的其他步骤或模块（单元）。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是本实施例的蓝宝石缺陷检测方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个（图1中仅示出一个）处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的蓝宝石缺陷检测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（NetworkInterface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（RadioFrequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种蓝宝石缺陷检测方法，图2是本实施例的蓝宝石缺陷检测方法的流程图，如图2所示，该流程包括如下步骤：
步骤S210，在待测蓝宝石的待测图像序列中，检测到待测蓝宝石在放肩阶段存在缺陷的情况下，确定检测到的目标缺陷类型。
其中，待测图像序列，可以由采集到的若干帧数的待测蓝宝石在放肩阶段的图像组成。具体可以从某个时刻起，以一秒采集一张图片的频率连续采集n张图像，此n张图像构成一组待测图像序列。之后，再隔一段时间，再采集另一组待测图像序列，以此类推。其中n的数值可根据实际应用场景中，晶体转速情况进行调节，以所采集到的待测图像序列包含了晶体至少旋转一圈的图像。
示例性地，可以利用以电荷耦合器件（简称为CCD）作为图像传感器的相机（下文简称为CCD相机），来采集待测蓝宝石在放肩阶段的图像，进而获得上述待测图像序列。可以通过训练完备的缺陷检测模型，例如目标检测网络（YOLO系列算法）、基于自注意力机制的多尺度网络等深度学习网络，对上述待测图像序列进行检测，得到待测蓝宝石在放肩阶段存在的缺陷。或者，还可以通过边缘检测、角点检测等图像处理方式，或者人工检测等方式，来确定待测蓝宝石在放肩阶段的缺陷。本实施例对检测缺陷的方式不作具体限定。其中，既可以通过对待测蓝宝石的待测图像序列进行单帧图像检测，检测每帧待测图像中是否存在放肩阶段的缺陷，以及缺陷类型；也可以是在待测图像序列中，通过对多帧待测图像序列进行联合的图像检测分析和统计，以检测待测蓝宝石是否在放肩阶段的缺陷和缺陷类型。
蓝宝石在放肩阶段存在的缺陷可以分为两种类型：异物缺陷和纹理缺陷。其中，异物缺陷这一类型下包括浮晶缺陷和氧化物缺陷，纹理缺陷这一类型下包括圆弧纹理缺陷。在检测到待测蓝宝石在放肩阶段存在缺陷的情况下，确定检测到的缺陷具体所属的缺陷类型，作为目标缺陷类型。可以理解地，目标缺陷类型属于上述异物缺陷和纹理缺陷的其中一种。
步骤S220，根据目标缺陷类型，以及不同的缺陷类型与误检排除策略预先建立的对应关系，从预设的误检排除策略中确定与目标缺陷类型对应的误检排除策略，作为目标策略。
在本实施例中，为了模拟人工动态观察晶体，以验证蓝宝石出现各类缺陷的情况，采用为不同的缺陷类型配置不同的误检排除策略的方式，来对检测出的各类缺陷进行验证。其中，为了避免误检，在人工检测中需要人工每间隔若干小时观察晶棒若干秒后进行判断，并持续若干天。对此，可以针对异物缺陷，确定预设帧数待测图像中异物缺陷存在的比例，以此对异物缺陷进行验证。对于纹理缺陷，为避免与背景水纹混淆造成误检，可以基于纹理缺陷出现的位置，对纹理缺陷进行验证。此外，还可以是针对缺陷的大小、形态或者分布情况等特征进行验证，以排除误检。其中，上述不同的误检排除策略可以预先以计算机程序或者脚本的形式存储于服务器中，基于确定的目标缺陷类型，调用执行对应的误检排除策略。
步骤S230，根据目标策略，对待测图像序列进行缺陷累积检测，并根据缺陷累积检测的结果验证检测到的待测蓝宝石在放肩阶段的缺陷。
在确定目标策略后，基于目标策略中所设置的检测逻辑，对上述待测图像序列进行缺陷累积检测。其中，缺陷累积检测，可以为对待测图像序列中不同的待测图像中所检测到的同一种缺陷进行检测结果的累积，最后基于累积情况对该缺陷进行验证。例如，对待测图像序列的预设帧数的待测图像中，对同一缺陷出现的次数进行累积，其中，该缺陷在一帧待测图像中至多出现一次，从而实现缺陷累积检测。又或者，对连续帧数的待测图像中的缺陷位置的变化进行累积，从而实现缺陷累积检测。此外，还可以是针对缺陷的形态、大小等其他特征进行缺陷累积。本实施例对此不作具体限定。
在相关技术中，人工制备蓝宝石过程中需要凭借长晶炉进行。由于蓝宝石长晶放肩过程的高温条件，炉内整片区域的光照较强，使得肉眼无法直视。因而，需要工艺人员使用电焊玻璃和镀金玻璃从视窗观察炉内长晶情况。其中视窗无法长时间开启，因此导致目前针对长晶放肩阶段的缺陷检测存在以下问题：观察难度较高，且存在观察结果不一致的情况，观察结果稳定度较低。另外观察人员还需特别经过培训，以结合工艺过程提升缺陷检测的能力。基于此，人力培训成本较高。因此，人工进行缺陷检测存在观察难度高、观察结果稳定度低、人力成本较高的问题。另外，相关技术中还提供了基于视觉检测技术进行蓝宝石长晶缺陷检测的方案。然而，蓝宝石在不同的长晶阶段存在不同类型的缺陷，目前基于视觉检测的方式，无法对不同类型的缺陷进行识别，进而检测精度较低、误检率较高。
在本实施例中，通过为检测到的不同缺陷设置对应的误检排除策略，以对检测出来的各种缺陷进行动态的缺陷累积检测，以验证待测蓝宝石是否在放肩阶段存在缺陷。基于此，本实施例能够规避因将缺陷纹理和水纹混淆，或者浮晶、氧化物误识别等原因造成的误检，从而降低误检率，提高最终缺陷检测的精度。另外，本实施例可以直接基于不同缺陷类型匹配相应的误检排除策略，避免了人工的主观判断，因此还避免了人工检测不一致、检测结果稳定度较低的问题，此外还降低了人力成本。
上述步骤S210至步骤S230，在待测蓝宝石的待测图像序列中，检测到待测蓝宝石在放肩阶段存在缺陷的情况下，确定检测到的目标缺陷类型；根据目标缺陷类型，以及不同的缺陷类型与误检排除策略预先建立的对应关系，从预设的误检排除策略中确定与目标缺陷类型对应的误检排除策略，作为目标策略；根据目标策略，对待测图像序列进行缺陷累积检测，并根据缺陷累积检测的结果验证检测到的待测蓝宝石在放肩阶段的缺陷。其能够针对识别出的缺陷类别，采取对应的误检排除策略进行误检排除，从而降低蓝宝石不同类型的缺陷的误检率，并提高蓝宝石放肩阶段的缺陷检测精度。
在一个实施例中，上述对应关系包括：在缺陷类型为异物缺陷的情况下，误检排除策略为预设周期内的缺陷检出次数统计；在缺陷类型为纹理缺陷的情况下，误检排除策略为预设连续帧数图像的缺陷位置统计。
具体地，本实施例采用模拟人工动态观察晶体的方式来对已检测出的缺陷进行动态验证。具体地，通过设置误检排除策略来实现对缺陷检测结果的综合分析。示例性地，在人工观察过程中，需要人工每6小时观察晶棒90秒后判断是否存在缺陷，且需要将该观察过程持续2.5天到4天。在该过程中，重点在于需要持续观察晶棒90秒以进行缺陷的判断。对此，本实施例基于缺陷检测结果综合分析来模拟人工思维。具体针对性可以分为两种情况，第一种情况为检测异物缺陷，例如氧化物缺陷或者浮晶缺陷。本实施例对应异物缺陷设置的误检排除策略可以为：统计对应预设周期的帧数内待测图像中存在氧化物缺陷或者浮晶缺陷的次数，也即，统计预设帧数内存在氧化物缺陷或者浮晶缺陷的待测图像的占比，从而模拟人工观察晶棒90秒时间内需要看到异物缺陷多次出现才确定蓝宝石存在异物缺陷而非误检误看。第二种情况为检测纹理缺陷，例如可以为圆弧纹理缺陷(晶体正常的纹理是直线状纹理)。由于背景水纹与该圆弧纹理缺陷相似度较高，因此在缺陷检测中易将水纹误检为圆弧纹理缺陷。对此，本实施例考虑到晶体生长过程会不断旋转导致水纹位置不断变化，而圆弧纹理在晶体旋转过程中位置始终处于晶体外边缘，因此在连续的若干帧待测图像上，圆弧纹理缺陷所处的位置基本不变，因此可以模拟人工观察晶棒90秒时间内追踪圆弧纹理缺陷的位置是否在变动，如果一直在变动则确定为水纹，否则则是圆弧纹理缺陷。对此，对应的误检排除策略可以为动态检测连续预设帧数的待测图像中，圆弧纹理缺陷所处位置的变化程度。
可以理解地，上述人工观察晶棒时间、间隔时段以及持续天数仅为示例。本实施例针对异物缺陷和纹理缺陷，对人工观察晶棒的检验标准进行模拟，设置不同的误检排除策略，从而能够在符合实际工艺标准的情况下完成误检排除，提高了缺陷检测的效率和精度。
其中，在一个实施例中，基于上述步骤S230，根据目标策略，对待测图像序列进行缺陷累积检测，并根据缺陷累积检测的结果验证检测到的待测蓝宝石在放肩阶段的缺陷，可以包括：
在目标策略为预设周期内的缺陷检出次数统计时，获取待测图像序列在预设周期内的第一数量的待测图像；确定第一数量的待测图像中，存在异物缺陷的待测图像的数量，作为第二数量；在第二数量与第一数量的比值高于预设比例阈值时，确定待测蓝宝石在放肩阶段存在异物缺陷。
例如，获取x帧待测图像中，检测到同一种异物缺陷的待测图像的数量。例如，检测到y帧待测图像中存在同一种异物缺陷，该异物缺陷可以为氧化物缺陷或者浮晶缺陷。计算y/x的值，也即检测到的存在该异物缺陷的待测图像在x帧待测图像中的占比。若y与x的比值高于预设比例阈值，则可以确定待测蓝宝石在放肩阶段存在异物缺陷。
其中，在单帧的待测图像中，需要先定位到待测图像中晶体的肩部位置，例如可以利用模型检测项中黑点和直线状纹理来确定待测图像中的肩部位置。之后再分析检测到的氧化物缺陷或浮晶缺陷的位置，若对应于肩部位置则确认该帧待测图像存在氧化物缺陷或浮晶缺陷。
上述预设比例阈值可以根据实际应用场景中检测结果的精度来调节。由于在缺陷检测中，基于神经网络构建的检测模型存在受外界干扰影响导致缺陷误检的概率，而真实的缺陷则是会长时间存在的。基于此，本实施例将多个时刻中，只有少数时刻对应的晶体上检测到的缺陷，识别为误检，进而将该缺陷剔除，由此降低误检概率，提高检测正确率。
另外地，在一个实施例中，基于上述步骤S230，根据目标策略，对待测图像序列进行缺陷累积检测，并根据缺陷累积检测的结果验证检测到的待测蓝宝石在放肩阶段的缺陷，可以包括：
在目标策略为预设连续帧数图像的缺陷位置统计时，判断待测图像序列中，是否存在连续帧数的待测图像中的缺陷位置变化小于预设距离阈值；若是，确定待测蓝宝石在放肩阶段存在纹理缺陷。
其中，可以在检测到纹理缺陷的情况下，判断是否在连续帧数内检测到同一纹理缺陷，若是，则需要判断该纹理缺陷在该连续帧数内的位置变化信息，若位置变化程度小于预设的距离阈值，则确定待测蓝宝石在放肩阶段存在该纹理缺陷。其中，检测位置变化信息，可以基于每帧待测图像中检测到的该纹理缺陷的目标框的顶点坐标，或者中心点坐标来确定。
示例性地，令在第i帧待测图像检测到的圆弧纹理缺陷的目标框的位置Ti=[Ti xmin，Ti ymin，Ti xmax，Ti ymax]。其中1<=i<=n，Ti xmin为目标框左上角x轴坐标，Ti ymin为目标框左上角y轴坐标，Ti xmax为目标框右下角x轴坐标，Ti ymax为目标框右下角y轴坐标。若未检测到圆弧纹理缺陷的目标框，则令Ti为[0，0，0，0]。另外，如果在同一帧待测图像中检测到多个圆弧纹理缺陷的目标框，可以选择置信度最高的目标框，过滤掉其他的目标框。在此基础上，尽管存在将水纹误检为圆弧纹理缺陷的可能性，但对于训练完备的缺陷检测模型而言，在同一帧待测图像上，真正的圆弧纹理缺陷对应的目标框的置信度，是高于水纹误检的目标框的置信度的。
之后，在连续多帧待测图像中，例如连续三帧待测图像中进行圆弧纹理缺陷检测，若连续检测到圆弧纹理缺陷，则比较相邻两帧待测图像中圆弧纹理缺陷的目标框的位置的距离，若大于预设距离阈值，则确认待测蓝宝石在该连续帧数内不存在圆弧纹理缺陷，若小于预设距离阈值，则继续获取下一帧待测图像，并判断是否检测到圆弧纹理缺陷。以此，直至完成连续三帧的比较。
此外，除了上述目标框的角点坐标，在一个实施例中，还可以基于其他的图像特征点，通过提取图像特征的方式，比较相邻两帧待测图像，各自采集的特征点的位置的差值来判断圆弧纹理的位置变化，进而基于圆弧纹理在连续若干帧待测图像间的位置变化信息，验证是否存在圆弧纹理缺陷。
本实施例通过累积检测连续多帧中纹理缺陷的位置变化，来实现纹理缺陷的验证，能够实现符合纹理缺陷特性的准确验证，进而降低纹理缺陷的误检率，提高纹理缺陷的检测精度。
在一个实施例中，异物缺陷至少包括：氧化物缺陷或浮晶缺陷；纹理缺陷至少包括：圆弧纹理缺陷。
另外地，在一个实施例中，在待测蓝宝石的待测图像序列中，检测到待测蓝宝石在放肩阶段存在缺陷的情况下，确定检测到的目标缺陷类型之前，上述蓝宝石缺陷检测方法还可以包括：
获取蓝宝石样本在放肩阶段的缺陷图像，构建训练数据集；基于训练数据集对预设的深度学习网络进行训练，得到训练完备的缺陷检测模型；基于训练完备的缺陷检测模型，对待测图像序列进行缺陷检测，确定待测蓝宝石在放肩阶段是否存在缺陷。
其中，可以挑选预先确定存在缺陷的蓝宝石样本，在放肩阶段的缺陷图像来构建训练数据集，以此进行模型训练。其中，在模型训练中，可以使用图像标注工具(labelImg)对训练数据集进行标注。随机选取训练数据集中75%的图像作为训练集，选取10%的图像作为验证集，15%的图像作为测试集，并且训练集、验证集以及测试集中的图像不重复。以此，完成对深度学习网络的训练。特别地，可以综合检测速度、准确度等因素来选取深度学习网络，例如深度学习网络可以为目标检测网络（You Only Look Once，简称为yolo）。
其中，在一个实施例中，获取蓝宝石样本在放肩阶段的缺陷图像，构建训练数据集，包括：
获取蓝宝石样本在放肩阶段的样本图像；基于模板匹配，对样本图像进行预处理，得到预处理图像；从预处理图像中筛选在放肩阶段存在缺陷的图像，作为缺陷图像，并基于缺陷图像，构建训练数据集。
其中，在获取到样本图像后，采用诸如机器视觉软件库opencv图像处理中的模板匹配方法等方式，对样本图像进行图像预处理，以使多帧样本图像的分辨率一致。其中，模板匹配在原始的样本图像中将蓝宝石晶体图像从背景中提取出来。用于模板匹配的模板图像，可以为事先从某帧原始的样本图像中裁剪而来。
由于晶体在不同长晶炉，以及不同放肩阶段所呈现的整体特征存在差异，因此模板图像的选取需要经过大量图像的测试。训练完备的缺陷检测模型可以用于检测氧化物缺陷、浮晶缺陷以及圆弧纹理缺陷，另外还可以检测到晶体中的黑点、直线状纹理等放肩阶段正常出现的特征。其中黑点到直线纹理底部之间区域为晶体的肩部位置。本实施例中，用经过模板匹配后的预处理图像代替原始的样本图像进行训练，可以避免因图片分辨率过大且带有无用背景信息对缺陷检测模型的训练速度与准确度的影响。
在本实施例中提供了又一种蓝宝石缺陷检测方法。图3是本实施例的又一种蓝宝石缺陷检测方法的流程图。如图3所示，该蓝宝石缺陷检测方法包括以下步骤：
步骤S301，相机采集蓝宝石样本在放肩阶段的图像并进行预处理，得到训练数据集；
步骤S302，搭建深度学习网络并训练，基于训练数据集得到训练完备的缺陷检测模型；
步骤S303，将待测蓝宝石的待测图像序列输入训练完备的缺陷检测模型进行检测，得到初始检测结果；
步骤S304，在该初始检测结果指示在待测图像序列中检测到缺陷的情况下，确定缺陷类型；
步骤S305，根据缺陷类型，基于对应的误检排除策略进行缺陷累积检测，根据缺陷累积检测的结果验证待测蓝宝石在放肩阶段的缺陷；
步骤S306，判断待测蓝宝石在放肩阶段是否存在缺陷；若是，则执行步骤S307；否则，执行步骤S308；
步骤S307，出炉清洗待测蓝宝石肩部，重新引晶放肩；
步骤S308，继续令待测蓝宝石在长晶炉内生长放肩。
上述步骤S301至步骤S308，针对识别出的缺陷类别，采取对应的误检排除策略进行误检排除，从而降低蓝宝石不同类型的缺陷的误检率，提高蓝宝石放肩阶段的缺陷检测精度。
在本实施例中提供了一种圆弧纹理缺陷的验证方法。图4是本实施例的圆弧纹理缺陷的验证方法的流程图。如图4所示，该圆弧纹理缺陷的验证方法包括以下步骤：
步骤S401，设置一个集合S，集合S初始为空集，令i=0，R=0；其中，集合S用于存放已验证完需保留的圆弧纹理缺陷的目标框的位置。
步骤S402，令i=i+1。
步骤S403，判断i是否大于帧数阈值n，若是，则执行步骤S414；否则，执行步骤S404；
步骤S404，判断Ti是否为[0，0，0，0]，若是，则执行步骤S405；否则，执行步骤S406；
步骤S405，将集合S清空为空集；
步骤S406，判断S是否为空集，若是，则执行步骤S407；否则，执行步骤S408；
步骤S407，在S中存入Ti；
步骤S408，取S中的最后一个元素为S-1=[S-1 xmin，S-1 ymin，S-1 xmax，S-1 ymax]，计算Ti和S-1的距离D；其中，可以基于下式计算距离D：
（1）
步骤S409，判断D是否大于预设距离阈值，若是，则执行步骤S410；否则，执行步骤S411；
步骤S410，确认圆弧纹理缺陷的位置变动较大，清空集合S的历史元素，单独存入Ti；
步骤S411，确认圆弧纹理缺陷的位置不变，在集合S末尾新存入Ti；
步骤S412，判断集合S中的元素个数|S|是否等于3，若是，则执行步骤S413；否则，跳转执行步骤S402；
步骤S413，令R=1，并执行步骤S414；
步骤S414，判断R是否为1，若是，则执行步骤S415；否则，执行步骤S416；
步骤S415，确认待测蓝宝石存在圆弧纹理缺陷；
步骤S416，确认待测蓝宝石不存在圆弧纹理缺陷。
上述步骤S401至步骤S416，能够基于圆弧纹理出现的位置，验证待测蓝宝石是否在放肩阶段存在圆弧纹理缺陷，进而提高圆弧纹理缺陷的检测精度。
在本实施例中还提供了一种蓝宝石缺陷检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是本实施例的蓝宝石缺陷检测装置50的结构框图，如图5所示，该蓝宝石缺陷检测装置50包括：检测模块52、策略确定模块54以及验证模块56；其中：
检测模块52，用于在待测蓝宝石的待测图像序列中，检测到待测蓝宝石在放肩阶段存在缺陷的情况下，确定检测到的目标缺陷类型；策略确定模块54，用于根据目标缺陷类型，以及不同的缺陷类型与误检排除策略预先建立的对应关系，从预设的误检排除策略中确定与目标缺陷类型对应的误检排除策略，作为目标策略；验证模块56，用于根据目标策略，对待测图像序列进行缺陷累积检测，并根据缺陷累积检测的结果验证检测到的待测蓝宝石在放肩阶段的缺陷。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在本实施例中还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，在待测蓝宝石的待测图像序列中，检测到待测蓝宝石在放肩阶段存在缺陷的情况下，确定检测到的目标缺陷类型；
S2，根据目标缺陷类型，以及不同的缺陷类型与误检排除策略预先建立的对应关系，从预设的误检排除策略中确定与目标缺陷类型对应的误检排除策略，作为目标策略；
S3，根据目标策略，对待测图像序列进行缺陷累积检测，并根据缺陷累积检测的结果验证检测到的待测蓝宝石在放肩阶段的缺陷。
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
此外，结合上述实施例中提供的蓝宝石缺陷检测方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种蓝宝石缺陷检测方法。
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (7)

1.一种蓝宝石缺陷检测方法，其特征在于，包括：
在待测蓝宝石的待测图像序列中，检测到所述待测蓝宝石在放肩阶段存在缺陷的情况下，确定检测到的目标缺陷类型；
根据所述目标缺陷类型，以及不同的缺陷类型与误检排除策略预先建立的对应关系，从预设的误检排除策略中确定与所述目标缺陷类型对应的误检排除策略，作为目标策略；其中，所述对应关系包括：在所述缺陷类型为异物缺陷的情况下，所述误检排除策略为预设周期内的缺陷检出次数统计；在所述缺陷类型为纹理缺陷的情况下，所述误检排除策略为预设连续帧数图像的缺陷位置统计；
根据所述目标策略，对所述待测图像序列进行缺陷累积检测，并根据所述缺陷累积检测的结果验证检测到的所述待测蓝宝石在放肩阶段的缺陷；其中，
在所述目标策略为预设周期内的缺陷检出次数统计时，获取所述待测图像序列在所述预设周期内的第一数量的待测图像；确定所述第一数量的待测图像中，存在所述异物缺陷的待测图像的数量，作为第二数量；在所述第二数量与所述第一数量的比值高于预设比例阈值时，确定所述待测蓝宝石在所述放肩阶段存在所述异物缺陷；
在所述目标策略为预设连续帧数图像的缺陷位置统计时，判断所述待测图像序列中，是否存在所述连续帧数的待测图像中的缺陷位置变化小于预设距离阈值；若是，确定所述待测蓝宝石在所述放肩阶段存在所述纹理缺陷。
2.根据权利要求1所述的蓝宝石缺陷检测方法，其特征在于：
所述异物缺陷至少包括：氧化物缺陷或浮晶缺陷；
所述纹理缺陷至少包括：圆弧纹理缺陷。
3.根据权利要求1或2中任一项所述的蓝宝石缺陷检测方法，其特征在于，在待测蓝宝石的待测图像序列中，检测到所述待测蓝宝石在放肩阶段存在缺陷的情况下，确定检测到的目标缺陷类型之前，所述方法还包括：
获取蓝宝石样本在放肩阶段的缺陷图像，构建训练数据集；
基于所述训练数据集对预设的深度学习网络进行训练，得到训练完备的缺陷检测模型；
基于所述训练完备的缺陷检测模型，对所述待测图像序列进行缺陷检测，确定所述待测蓝宝石在所述放肩阶段是否存在缺陷。
4.根据权利要求3所述的蓝宝石缺陷检测方法，其特征在于，所述获取蓝宝石样本在放肩阶段的缺陷图像，构建训练数据集，包括：
获取蓝宝石样本在所述放肩阶段的样本图像；
基于模板匹配，对所述样本图像进行预处理，得到预处理图像；
从所述预处理图像中筛选在所述放肩阶段存在缺陷的图像，作为所述缺陷图像，并基于所述缺陷图像，构建训练数据集。
5.一种蓝宝石缺陷检测装置，其特征在于，包括：检测模块、策略确定模块以及验证模块；其中：
所述检测模块，用于在待测蓝宝石的待测图像序列中，检测到所述待测蓝宝石在放肩阶段存在缺陷的情况下，确定检测到的目标缺陷类型；
所述策略确定模块，用于根据所述目标缺陷类型，以及不同的缺陷类型与误检排除策略预先建立的对应关系，从预设的误检排除策略中确定与所述目标缺陷类型对应的误检排除策略，作为目标策略；其中，所述对应关系包括：在所述缺陷类型为异物缺陷的情况下，所述误检排除策略为预设周期内的缺陷检出次数统计；在所述缺陷类型为纹理缺陷的情况下，所述误检排除策略为预设连续帧数图像的缺陷位置统计；
所述验证模块，用于根据所述目标策略，对所述待测图像序列进行缺陷累积检测，并根据所述缺陷累积检测的结果验证检测到的所述待测蓝宝石在放肩阶段的缺陷；其中，所述验证模块用于在所述目标策略为预设周期内的缺陷检出次数统计时，获取所述待测图像序列在所述预设周期内的第一数量的待测图像；确定所述第一数量的待测图像中，存在所述异物缺陷的待测图像的数量，作为第二数量；在所述第二数量与所述第一数量的比值高于预设比例阈值时，确定所述待测蓝宝石在所述放肩阶段存在所述异物缺陷；在所述目标策略为预设连续帧数图像的缺陷位置统计时，判断所述待测图像序列中，是否存在所述连续帧数的待测图像中的缺陷位置变化小于预设距离阈值；若是，确定所述待测蓝宝石在所述放肩阶段存在所述纹理缺陷。
6.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至权利要求4中任一项所述的蓝宝石缺陷检测方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至权利要求4中任一项所述的蓝宝石缺陷检测方法的步骤。
CN202311808965.9A 2023-12-26 2023-12-26 蓝宝石缺陷检测方法、装置、电子装置和存储介质 Active CN117456292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311808965.9A CN117456292B (zh) 2023-12-26 2023-12-26 蓝宝石缺陷检测方法、装置、电子装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311808965.9A CN117456292B (zh) 2023-12-26 2023-12-26 蓝宝石缺陷检测方法、装置、电子装置和存储介质

Publications (2)

Publication Number Publication Date
CN117456292A CN117456292A (zh) 2024-01-26
CN117456292B true CN117456292B (zh) 2024-04-19

Family

ID=89589690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311808965.9A Active CN117456292B (zh) 2023-12-26 2023-12-26 蓝宝石缺陷检测方法、装置、电子装置和存储介质

Country Status (1)

Country Link
CN (1) CN117456292B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118395105A (zh) * 2024-06-21 2024-07-26 杭州广立微电子股份有限公司 晶圆缺陷聚簇检测方法、装置、电子装置和存储介质

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110220912A (zh) * 2019-05-28 2019-09-10 太原理工大学 一种基于深度学习的蓝宝石生长缺陷视觉检测方法
JP2019184855A (ja) * 2018-04-11 2019-10-24 コニカミノルタ株式会社 画像形成装置及びヤレ検出方法
CN110619620A (zh) * 2018-06-04 2019-12-27 杭州海康威视数字技术股份有限公司 导致表面缺陷的异常定位方法、装置、系统及电子设备
CN111474177A (zh) * 2020-05-06 2020-07-31 深圳市斑马视觉科技有限公司 基于计算机视觉的液晶屏幕背光异物缺陷检测方法
CN112581462A (zh) * 2020-12-25 2021-03-30 北京邮电大学 工业产品的外观缺陷检测方法、装置及存储介质
CN113658136A (zh) * 2021-08-17 2021-11-16 燕山大学 一种基于深度学习的传送带缺陷检测方法
CN113763358A (zh) * 2021-09-08 2021-12-07 合肥中科类脑智能技术有限公司 基于语义分割的变电站渗漏油和金属锈蚀检测方法及系统
CN114005081A (zh) * 2021-09-24 2022-02-01 常州市新科汽车电子有限公司 一种烟丝异物智能检测装置及方法
CN114078127A (zh) * 2022-01-20 2022-02-22 广州里工实业有限公司 物件的缺陷检测及计数方法、装置、设备和存储介质
CN115115637A (zh) * 2022-08-30 2022-09-27 南通市昊逸阁纺织品有限公司 基于图像金字塔思想的布匹缺陷检测方法
CN115131283A (zh) * 2022-04-15 2022-09-30 腾讯科技（深圳）有限公司 目标对象的缺陷检测、模型训练方法、装置、设备及介质
CN115170501A (zh) * 2022-06-30 2022-10-11 苏州镁伽科技有限公司 缺陷检测方法、系统、电子设备及存储介质
CN115290663A (zh) * 2022-09-30 2022-11-04 南通艾美瑞智能制造有限公司 基于光学检测的Mini LED晶圆外观缺陷检测方法
CN115984276A (zh) * 2023-03-20 2023-04-18 内蒙古晶环电子材料有限公司 放肩缺陷实时检测方法、装置、计算机设备和存储介质
CN116012282A (zh) * 2022-09-23 2023-04-25 浙江求是半导体设备有限公司 晶体生长缺陷检测方法、装置、计算机设备和存储介质
CN116046790A (zh) * 2023-01-31 2023-05-02 北京百度网讯科技有限公司 缺陷检测方法、装置、系统、电子设备以及存储介质
CN116091505A (zh) * 2023-04-11 2023-05-09 青岛芯康半导体科技有限公司 一种蓝宝石衬底自动缺陷检测分类的方法和系统
CN116883399A (zh) * 2023-09-06 2023-10-13 内蒙古晶环电子材料有限公司 蓝宝石放肩阶段缺陷视觉检测方法、装置、系统和设备
CN117132564A (zh) * 2023-08-25 2023-11-28 广东理工学院 基于YOLOv3的蓝宝石衬底表面缺陷检测方法及系统
CN117198909A (zh) * 2023-08-25 2023-12-08 深圳市格灵精睿视觉有限公司 一种晶圆的缺陷检测装置以及方法、可读存储介质
CN117269193A (zh) * 2023-09-26 2023-12-22 迈沐智能科技(南京)有限公司 合成革表观质量智能化检测方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019184855A (ja) * 2018-04-11 2019-10-24 コニカミノルタ株式会社 画像形成装置及びヤレ検出方法
CN110619620A (zh) * 2018-06-04 2019-12-27 杭州海康威视数字技术股份有限公司 导致表面缺陷的异常定位方法、装置、系统及电子设备
CN110220912A (zh) * 2019-05-28 2019-09-10 太原理工大学 一种基于深度学习的蓝宝石生长缺陷视觉检测方法
CN111474177A (zh) * 2020-05-06 2020-07-31 深圳市斑马视觉科技有限公司 基于计算机视觉的液晶屏幕背光异物缺陷检测方法
CN112581462A (zh) * 2020-12-25 2021-03-30 北京邮电大学 工业产品的外观缺陷检测方法、装置及存储介质
CN113658136A (zh) * 2021-08-17 2021-11-16 燕山大学 一种基于深度学习的传送带缺陷检测方法
CN113763358A (zh) * 2021-09-08 2021-12-07 合肥中科类脑智能技术有限公司 基于语义分割的变电站渗漏油和金属锈蚀检测方法及系统
CN114005081A (zh) * 2021-09-24 2022-02-01 常州市新科汽车电子有限公司 一种烟丝异物智能检测装置及方法
CN114078127A (zh) * 2022-01-20 2022-02-22 广州里工实业有限公司 物件的缺陷检测及计数方法、装置、设备和存储介质
CN115131283A (zh) * 2022-04-15 2022-09-30 腾讯科技（深圳）有限公司 目标对象的缺陷检测、模型训练方法、装置、设备及介质
CN115170501A (zh) * 2022-06-30 2022-10-11 苏州镁伽科技有限公司 缺陷检测方法、系统、电子设备及存储介质
CN115115637A (zh) * 2022-08-30 2022-09-27 南通市昊逸阁纺织品有限公司 基于图像金字塔思想的布匹缺陷检测方法
CN116012282A (zh) * 2022-09-23 2023-04-25 浙江求是半导体设备有限公司 晶体生长缺陷检测方法、装置、计算机设备和存储介质
CN115290663A (zh) * 2022-09-30 2022-11-04 南通艾美瑞智能制造有限公司 基于光学检测的Mini LED晶圆外观缺陷检测方法
CN116046790A (zh) * 2023-01-31 2023-05-02 北京百度网讯科技有限公司 缺陷检测方法、装置、系统、电子设备以及存储介质
CN115984276A (zh) * 2023-03-20 2023-04-18 内蒙古晶环电子材料有限公司 放肩缺陷实时检测方法、装置、计算机设备和存储介质
CN116091505A (zh) * 2023-04-11 2023-05-09 青岛芯康半导体科技有限公司 一种蓝宝石衬底自动缺陷检测分类的方法和系统
CN117132564A (zh) * 2023-08-25 2023-11-28 广东理工学院 基于YOLOv3的蓝宝石衬底表面缺陷检测方法及系统
CN117198909A (zh) * 2023-08-25 2023-12-08 深圳市格灵精睿视觉有限公司 一种晶圆的缺陷检测装置以及方法、可读存储介质
CN116883399A (zh) * 2023-09-06 2023-10-13 内蒙古晶环电子材料有限公司 蓝宝石放肩阶段缺陷视觉检测方法、装置、系统和设备
CN117269193A (zh) * 2023-09-26 2023-12-22 迈沐智能科技(南京)有限公司 合成革表观质量智能化检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
The MIVD method of optimal seeding state detection using image processing technology for sapphire crystal growth via the Kyropoulos method;Yu Liu 等;《Measurement》;20201231;1-11 *
基于SSD算法的航空发动机内部凸台缺陷检测;陈为 等;《电子测量技术》;20200508(第09期);34-39 *
基于融合度量策略的小样本金属缺陷识别研究;唐东林 等;《电子测量技术》;20230228;第46卷(第4期);107-113 *
简析机器视觉的板材表面缺陷自动检测策略;周攀;《自动化应用》;20191231;248 *

Also Published As

Publication number Publication date
CN117456292A (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
CN117456292B (zh) 蓝宝石缺陷检测方法、装置、电子装置和存储介质
CN105335963B (zh) 一种边缘缺陷检测方法及装置
CN104749184B (zh) 自动光学检测方法和系统
CN107123111B (zh) 一种用于手机屏幕缺陷检测的深度残差网络构造方法
CN104363815B (zh) 图像处理装置以及图像处理方法
CN110736748A (zh) 免疫组化核浆染色切片诊断方法及系统
CN109903282B (zh) 一种细胞计数方法、系统、装置和存储介质
CN110378227B (zh) 修正样本标注数据的方法、装置、设备及存储介质
CN112348765A (zh) 数据增强方法、装置、计算机可读存储介质及终端设备
CN108764134A (zh) 一种适用于巡检机器人的多类型仪表自动定位与识别方法
CN113781393B (zh) 屏幕缺陷检测方法、装置、设备及存储介质
CN111387932B (zh) 一种视力检测方法、装置及设备
CN110007493A (zh) 液晶显示屏中碎亮点检测方法
CN116883336A (zh) 图像处理方法、装置、计算机设备及介质
CN111950812A (zh) 一种自动识别与预测雨量的方法及其装置
CN116051392A (zh) 基于深度学习的交互式网络的图像修复方法及系统
CN114399507B (zh) 一种手机外观质量检测方法、装置、电子设备及存储介质
CN106056166B (zh) 一种胶囊内窥镜相似图像的自适应筛除方法
CN105574844B (zh) 辐射响应函数估计方法和装置
CN116883399A (zh) 蓝宝石放肩阶段缺陷视觉检测方法、装置、系统和设备
CN116434066B (zh) 基于深度学习的大豆豆荚考种方法、系统及装置
CN117455870A (zh) 一种连接线和连接器质量视觉检测方法
CN111368823B (zh) 一种指针式仪表读数识别方法及装置
CN110916609A (zh) 一种视力检测装置
CN113139932B (zh) 一种基于集成学习的深度学习缺陷图像识别方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant